Google rende pubblici i suoi modelli AI sulla previsione dei cicloni

Google porta l’AI fuori dai chatbot e dentro uno dei campi in cui qualche ora di anticipo può fare una differenza concreta. Google DeepMind ha reso disponibili in modalità open source WeatherNext 2 e WeatherNext Cyclones, due modelli progettati per migliorare le previsioni meteorologiche, con un’attenzione particolare ai cicloni tropicali. La pubblicazione arriva insieme a uno studio apparso su Nature e permette alla comunità scientifica di accedere al codice e ai pesi dei modelli. Secondo Google, WeatherNext Cyclones raggiunge prestazioni allo stato dell’arte nel prevedere traiettoria, intensità e struttura dei venti di un ciclone. Il risultato più significativo riguarda il tempo disponibile per reagire. In media, il sistema offre circa un giorno aggiuntivo di previsione utile rispetto ai modelli precedenti, un miglioramento che Google paragona a circa un decennio di progressi nella meteorologia tradizionale.

Il dato va letto con attenzione. La ricerca pubblicata su Nature, firmata da Ferran Alet e da un gruppo internazionale di ricercatori, mette a confronto WeatherNext Cyclones con sistemi utilizzati per la previsione dei cicloni. Il modello produce previsioni probabilistiche, quindi non una sola traiettoria considerata certa, ma un insieme di possibili evoluzioni. È un aspetto importante perché una variazione relativamente piccola nella rotta di una tempesta può cambiare le aree interessate. Google riferisce che le previsioni a tre giorni di WeatherNext possono raggiungere un livello di accuratezza paragonabile a quello che i sistemi precedenti ottenevano a due giorni. Yossi Matias, vicepresidente di Google e responsabile di Google Research, ha definito questo miglioramento equivalente a circa dieci anni di sviluppo meteorologico. Si tratta di una valutazione dell’azienda, ma è accompagnata da uno studio sottoposto a revisione scientifica e pubblicato su Nature.

Dietro il progetto c’è una collaborazione con organizzazioni che lavorano direttamente sulla previsione dei cicloni, tra cui il National Hurricane Center statunitense, il Cooperative Institute for Research in the Atmosphere e il Met Office britannico. WeatherNext Cyclones affronta una difficoltà storica della meteorologia. La traiettoria di un ciclone dipende soprattutto dai grandi movimenti dell’atmosfera, mentre la sua intensità è influenzata da processi più locali attorno al nucleo della tempesta. Tradizionalmente queste componenti vengono trattate con strumenti differenti, mentre il modello di Google cerca di affrontarle nello stesso sistema. La tecnologia può inoltre generare ensemble composti da 1.000 possibili previsioni, così da rappresentare meglio l’incertezza e individuare scenari meno probabili ma potenzialmente molto dannosi.

Il caso concreto è arrivato nel 2025, quando WeatherNext ha contribuito alle valutazioni sul ciclone Melissa. Secondo Google DeepMind, il sistema aveva indicato con cinque giorni di anticipo la possibilità che la tempesta raggiungesse la Giamaica come uragano di categoria 5. Un singolo episodio non basta a dimostrare la superiorità del modello, ma mostra perché un giorno in più possa avere valore operativo. Più tempo può aiutare a preparare squadre di emergenza, risorse ed evacuazioni. La prudenza resta però necessaria. Le previsioni devono continuare a essere interpretate da esperti e integrate con osservazioni, modelli fisici e dati satellitari. L’AI può ampliare il quadro delle possibilità, ma non elimina l’incertezza intrinseca di un sistema atmosferico complesso.

La scelta di Google di rendere pubblici WeatherNext 2 e WeatherNext Cyclones aggiunge però un elemento importante. Altri ricercatori potranno studiare e verificare i risultati, mentre una versione più leggera, WeatherNext 2-mini, rende il progetto accessibile con risorse hardware più contenute. Il punto non è soltanto prevedere un ciclone prima, ma verificare se quel vantaggio possa diventare stabile e utilizzabile da più soggetti. La meteorologia resta un campo in cui nessun modello può garantire certezza assoluta, soprattutto davanti a eventi rari o condizioni che non hanno precedenti nei dati storici. Tuttavia, se i risultati saranno confermati nel tempo, un giorno aggiuntivo di previsione affidabile potrebbe diventare uno degli impieghi più concreti dell’AI nella gestione dei rischi naturali.